Python 如何在2D numpy数组中设置向量[u，v]的阈值？

我编写了一个阈值函数TH（arr，threshold），它接受向量[u，v]的2D数组，并将u和v设置为0，如果它们的绝对值都低于指定的阈值

该函数由2个for循环组成，并执行该任务，但计算量很大（我在大型数据集上运行它）

示例：

[u，v]-->输出（阈值=1）

[2,2]-->[2,2]

[2，.1]-->[2，.1]

[1,1]-->[0,0]

我可以使用哪些其他方法/功能更有效地解决此问题（使用列表理解或其他方法）

下面是一些代码：

将numpy导入为np
导入时间
开始=时间。时间（）
def TH（arr，阈值）：
对于idx，枚举中的值（arr）：
对于i，枚举中的项（值）：
如果np.abs（项目[0]）<阈值和np.abs（项目[1]）<阈值：
arr[idx][i][0]=0.0
arr[idx][i][1]=0.0
返回arr
a=np.array（[.5,8]，[3,4]，[3,1]，
[[0,2], [.5,.5], [.3,3]],
[[.4,.4], [.1,.1], [.5,5]]])
a=TH（a，阈值=1）
印刷品（a）
end=time.time（）
打印（“运行时：”，结束-开始）

输出：

[[0.0]
[3.  4. ]
[3.  0.1]]
[[0.  2. ]
[0.  0. ]
[0.3 3. ]]
[[0.  0. ]
[0.  0. ]
[0.5 5. ]]]
运行时间：0.0009984970092773438

只需沿最后一个轴对两个元素进行切片，并以矢量化方式执行相同的操作，以获得掩码，并最终将掩码索引到输入数组中，以分配

0s

-

mask = (np.abs(arr[...,0]) < threshold) & (np.abs(arr[...,1]) < threshold)
arr[mask] = 0

或者，在计算绝对值后使用相同的切片方法-

mask = (ab[...,0] < threshold) & (ab[...,1] < threshold)

时间安排-

In [209]: arr = np.random.rand(1080,1920,2)

In [210]: threshold = 1

In [211]: %timeit (np.abs(arr[...,0])<threshold) & (np.abs(arr[...,1])<threshold)
100 loops, best of 3: 10.2 ms per loop

In [212]: %timeit np.abs(arr).all(1)
10 loops, best of 3: 34.5 ms per loop

In [213]: %%timeit
     ...: ab = np.abs(arr)
     ...: (ab[...,0] < threshold) & (ab[...,1] < threshold)
     ...: 
100 loops, best of 3: 11 ms per loop

In [214]: %%timeit
     ...: m0 = ne.evaluate('abs(arr)<threshold')
     ...: m0[...,0] & m0[...,1]
     ...: 
100 loops, best of 3: 4.79 ms per loop

[209]中的

：arr=np.random.rand（10801920,2）
在[210]中：阈值=1
在[211]：%timeit（np.abs（arr[…，0]）中，到目前为止，我更新了两个阈值函数。以下是不同方法的执行时间（在25帧视频上运行）：我的方法，322.09秒。你提出的第一种方法，28.78秒。第二种方法，29.32秒。第三种方法，28.36秒。平均而言，你提出的所有解决方案似乎比我最初的功能快10倍。感谢你的帮助和清楚的解释！@MarkH感谢你带着这些性能数据回来！好奇-t是什么您正在使用的
arr
的典型形状？我使用的每个阵列都保存表示视频帧某些特征的数据（RGB值、光流向量[u，v]、大小、角度…。因此，我的阵列具有与帧大小相似的形状（例如：（10801920,2））。在阈值和清理之后，我将好的值存储在一个数组中，以训练机器学习模型。此数组的形状为（51840000,5）对于25帧。上下文：我正在研究人类动作识别。@MarkH又添加了一个使用多核的
numexpr
。这可以进一步提高性能。我对它进行了测试，没有发现在计时方面有任何差异。每个循环的计时改进是否会如此之小，以至于总体变化可以忽略不计？（10.2-4.79）ms*25循环=在25帧上运行时快135.25ms。注意：由于我使用的数学模型，我的代码中存在大约+-0.5s的差异，这可能就是我看不到差异的原因。
import numexpr as ne

m0 = ne.evaluate('abs(arr)<threshold')
mask = m0[...,0] & m0[...,1]

In [209]: arr = np.random.rand(1080,1920,2)

In [210]: threshold = 1

In [211]: %timeit (np.abs(arr[...,0])<threshold) & (np.abs(arr[...,1])<threshold)
100 loops, best of 3: 10.2 ms per loop

In [212]: %timeit np.abs(arr).all(1)
10 loops, best of 3: 34.5 ms per loop

In [213]: %%timeit
     ...: ab = np.abs(arr)
     ...: (ab[...,0] < threshold) & (ab[...,1] < threshold)
     ...: 
100 loops, best of 3: 11 ms per loop

In [214]: %%timeit
     ...: m0 = ne.evaluate('abs(arr)<threshold')
     ...: m0[...,0] & m0[...,1]
     ...: 
100 loops, best of 3: 4.79 ms per loop